面向无线联邦学习的无小区大规模MIMO
信号处理
2020-06-16 v5 信息论
math.IT
摘要
本文提出一种用于无小区大规模多输入多输出(CFmMIMO)网络的新方案，以支持任意联邦学习(FL)框架。该方案允许FL框架的每一次而非所有迭代发生在大尺度相干时间内，以保证FL过程的稳定运作。为展示如何利用该方案优化FL性能，我们考虑一个已有FL框架作为示例，并以该框架的FL训练时间最小化为目标。随后构建一个优化问题，以联合优化本地精度、发射功率、数据速率与用户的处理频率。这一混合时间尺度随机非凸问题刻画了一次FL过程的训练时间以及训练更新的传输与计算之间的复杂交互。通过采用在线逐次凸近似方法，我们开发了一种新算法来求解所构建的问题，并证明收敛至其驻点邻域。数值结果证实，相较于基线方法，所提出的联合设计将训练时间减少了至多。结果还表明，与无小区时分多址大规模MIMO及共址大规模MIMO相比，此处CFmMIMO所需的FL过程训练时间最短。
引用
@article{arxiv.1909.12567,
title = {Cell-Free Massive MIMO for Wireless Federated Learning},
author = {Tung T. Vu and Duy T. Ngo and Nguyen H. Tran and Hien Quoc Ngo and Minh N. Dao and Richard H. Middleton},
journal= {arXiv preprint arXiv:1909.12567},
year = {2020}
}
备注
IEEE Transactions on Wireless Communications, accepted for publication